点击关注我们，提升学习效率
title：Learning Multi-granularity Consecutive User Intent Unit for Session-based Recommendation
link：https://arxiv.org/pdf/2112.13197.pdf
from：WSDM 2022
1. 导读
本文针对会话推荐方向，相较于关注序列中的单个商品，本文关注如何利用GNN从连续片段中捕获用户偏好。通过多粒度连续用户意图单元捕获用户兴趣，作者提出了多粒度意图异构会话图（MIHSG），它捕获了不同粒度意图单元之间的交互并减轻了长依赖的负担。此外，作者提出了意图融合排名（IFR）模块来组合来自各种粒度用户意图的推荐结果。
2. 方法
image.png
2.1 问题定义
令
表示所有的商品的集合，会话表示为
，其中L是会话长度，
表示在位置
时商品的id。目的是给定s_i后，预测
2.2 连续意图单元
现存的会话推荐的方法更多的关注会话中的那个商品，而忽略了会话所能反映的更高级别的用户意图。本节所提方法不仅学习单个商品所表达的意图，还学习了连续片段中商品的组合意图。令
表示一个连续片段，从第j个开始，长度为k。k表示连续意图捕获的粒度大小。对于给定的会话s，用
表示粒度为1的embedding，也就是单个商品的embedding，对于粒度级别为k的片段，用函数R来对片段内的商品embedding进行聚合，公式如下，
这部分考虑两类函数R，产生两类表征，即基于集合和基于序列来生成高级意图单元的表示。一方面，基于集合的聚合函数，例如MEAN、MAX 等可以提取顺序不变的意图；另一方面，基于序列的函数，例如Gate Recurrent Unit (GRU) 可以提取顺序敏感的意图。然后将两类表征相加，公式如下，
2.3 MIHSG的构建
MIHSG 由多个子图组成，每个子图对同一级别连续意图单元的意图之间的转换进行建模。由 level-
